Real user monitoring verzamelt prestatiegegevens van daadwerkelijke bezoekers tijdens hun gebruik van een website. Het registreert de timing en fouten van echte browsers op echte apparaten en verbindingen. Dit staat in contrast met synthetische monitoring, waarbij een website wordt gemeten door middel van gescripte tests in gecontroleerde omgevingen volgens een vast schema. De twee methoden beantwoorden verschillende vragen en concurreren niet met elkaar.
Het doorslaggevende voordeel is de representativiteit. Laboratoriummetingen maken gebruik van een gekozen apparaat, een gekozen verbindingsprofiel en een gekozen locatie, maar geen van deze factoren beschrijft de werkelijke spreiding van een publiek. Gegevens van echte gebruikers leggen de volledige spreiding vast: oudere telefoons op overbelaste mobiele netwerken, browsers met extensies die de verwerkingskosten verhogen, bezoekers in regio's ver van de oorsprong en de uitschieters van ongewoon trage ervaringen die door gemiddelden worden verhuld, maar die daadwerkelijk klanten vertegenwoordigen die afhaken. Omdat zoekmachines gebruikmaken van veldgegevens van echte gebruikers in plaats van laboratoriumresultaten, is de meetmethode ook van doorslaggevend belang voor dat doel.
De analytische waarde schuilt in de segmentatie. Geaggregeerde prestatiecijfers zijn vrijwel nutteloos voor besluitvorming; dezelfde gegevens, gesegmenteerd per apparaatcategorie, land, verbindingstype, browser, paginasjabloon en verkeersbron, onthullen waar de problemen zich daadwerkelijk bevinden. Een website met acceptabele algemene cijfers blijkt vaak één markt, één apparaatcategorie of één sjabloon zeer slecht te bedienen, en die concentratie maakt herstel behapbaar, aangezien het oplossen van een specifiek sjabloon een project op zich is, terwijl het verbeteren van de prestaties in het algemeen dat niet is.
De belangrijkste beperking is dat het symptomen rapporteert in plaats van oorzaken. Veldgegevens laten zien dat een pagina traag laadt voor een deel van de gebruikers, maar bieden geen overzicht van de aanvragen, de hoofdthread of de reproduceerbare omstandigheden die nodig zijn om de oorzaak te achterhalen. Onderzoek vereist daarom laboratoriuminstrumenten, uitgevoerd onder omstandigheden die overeenkomen met wat de veldgegevens hebben aangetoond. Andersom gebruikt, leidt laboratoriumtesten zonder veldgegevens ertoe dat teams omstandigheden optimaliseren die slechts weinig bezoekers ervaren.
De implementatie brengt eigen aandachtspunten met zich mee. Het monitoringscript zelf voegt gewicht en uitvoeringskosten toe, wat contraproductief is als het groot is. Daarom is een lichtgewicht methode voor het verzamelen van gegevens met behulp van standaard prestatie-interfaces van browsers te verkiezen boven zware agents van externe leveranciers. Sampling is meestal noodzakelijk bij grote volumes, en de samplingmethode mag geen voorkeur geven aan snellere sessies. Dit gebeurt wanneer gegevens alleen worden verzameld bij het afsluiten van een pagina en trage sessies worden afgebroken voordat de sampling plaatsvindt. Er zijn ook overwegingen met betrekking tot persoonsgegevens, aangezien gedetailleerde prestatiegegevens in combinatie met pagina-URL's identificerend kunnen zijn.
Het koppelen van prestatiegegevens aan bedrijfsresultaten is essentieel voor een investering, en vereist dat de twee datasets worden samengevoegd in plaats van afzonderlijk te worden gerapporteerd. Door conversieratio's te vergelijken tussen verschillende prestatiecategorieën binnen dezelfde paginasjabloon, rekening houdend met apparaat en verkeersbron, ontstaat een interne schatting van de waarde van een bepaalde verbetering voor dit specifieke bedrijf. Deze schatting is veel overtuigender dan gepubliceerde branchecijfers. De analyse kent echter een belangrijke kanttekening: trage sessies hangen samen met slechte internetverbindingen en oudere apparaten die mogelijk een andere koopintentie hebben. De relatie is daarom eerder suggestief dan causaal. Om causaliteit vast te stellen, is een gecontroleerd experiment nodig. Het is raadzaam om dit experiment eenmaal uit te voeren bij een grote prestatieverbetering en vervolgens conclusies te trekken.
Het meest waardevolle operationele gebruik is het detecteren van regressies. De prestaties verslechteren geleidelijk tijdens de normale ontwikkeling, en zonder continue metingen in het veld wordt de verslechtering pas opgemerkt wanneer deze ernstig wordt. Door belangrijke meetwaarden per sjabloon te monitoren en te waarschuwen bij verslechtering, worden regressies opgespoord terwijl de oorzaak van de verandering nog steeds te achterhalen is. Het implementeren van deze functionaliteit is standaardpraktijk in webprestaties werk, en het koppelen van de resulterende segmenten aan conversiegegevens via Data analytics Dat is wat de prestaties transformeert van een technische kwestie naar een commerciële kwestie die prioriteit kan krijgen boven andere werkzaamheden.